智能上下文窗口管家

OpenClaw官方上下文管理框架，通过智能分区与预压缩检查点技术，解决长会话记忆丢失与token成本问题。

基本信息

• 技能名称?context-budgeting
• 中文名称?智能上下文窗口管家
• 作者?SarielWang93
• 分类?其他
• 版本?未标注
• 标签?automation, productivity, backend, devops, development-engineering

使用方法

使用说明
核心用法
Context Budgeting Skill 是专为 OpenClaw Agent 设计的上下文窗口管理工具，采用系统化的信息生命周期管理策略。其核心机制包含三大模块：
信息分区框架 ：将有限的上下文窗口按 10%（核心目标）、40%（短期历史）、20%（决策日志）、20%（背景知识）的比例进行结构化分配，确保关键信息优先保留。
预压缩检查点机制 ：在触发任何压缩操作前，强制要求更新 memory/hot/HOT_MEMORY.md ，记录当前任务状态、关键决策与下一步行动，形成可恢复的记忆锚点。
自动化清理工具 ：通过 gc_and_checkpoint.sh 脚本执行物理清理，配合每 30 分钟的心跳检测（Garbage Collector），在上下文使用率超过 80% 时自动触发保护流程。
显著优点

1. 解决"记忆丢失"顽疾 ：传统上下文压缩后常导致 Agent 遗忘关键指令，该技能通过强制检查点机制确保核心决策持久化。
2. 成本与延迟双优化 ：主动管理 token 消耗，避免被动触发的高成本全量压缩，显著降低长时任务的运行开销。
3. 零网络依赖 ：纯本地文件系统操作，无数据外泄风险，适合敏感场景。
4. 框架化方法论 ：提供可量化的分区比例（10/40/20/20），将抽象的"提示工程"转化为可执行的操作规范。
   潜在缺点与局限性
   生态绑定 ：深度依赖 OpenClaw CLI 工具，无法迁移至其他 LLM 平台或框架。
   路径硬编码 ：脚本使用固定路径 /Users/yang/clawd ，跨平台或自定义环境需手动修改。
   T3 来源风险 ：虽代码本身安全，但维护者为个人开发者，长期更新与社区支持存在不确定性。
   功能单一性 ：专注于上下文压缩，不提供对话内容分析、智能摘要生成等增强能力。
   适合的目标群体
   长时任务开发者 ：需要 Agent 持续运行数小时以上的自动化工作流场景。
   成本敏感型用户 ：频繁触及上下文上限、token 消耗高企的重度使用者。
   OpenClaw 生态深度用户 ：已建立基于 OpenClaw 的工具链，追求系统稳定性。
   隐私优先场景 ：拒绝任何网络通信、要求数据完全本地化的企业环境。
   使用风险
   依赖项风险 ：若 openclaw CLI 未正确安装或版本不兼容，脚本将执行失败。
   路径配置风险 ：硬编码路径可能导致文件读写错误，需预先确认目录结构。
   检查点遗漏风险 ：未严格遵循"先更新 HOT_MEMORY.md 再执行脚本"的流程，可能导致关键信息丢失。
   自动化冲突 ：与 OpenClaw 内置的自动压缩机制可能存在时序竞争，建议明确禁用原生压缩或调整心跳频率。